神經網絡貸款風險評估（base on keras and python ）

原創 2017年08月18日 14:35:17

• 標簽：
• python /
• 神經網絡 /
• keras /

• 300
• 編輯
• 刪除

????用我兒子的話說，有一天啊,小烏龜遇見小兔子………

????有一天，我在網上看到這樣一片文章，決策書做貸款決策分析。

貸還是不貸：如何用Python和機器學習幫你決策？

import pandas as pd df = pd.read_csv('loans.csv')#print(df.head())X = df.drop('safe_loans', axis=1)y = df.safe_loans#change categoricalfrom sklearn.preprocessing import LabelEncoder from collections import defaultdict d = defaultdict(LabelEncoder) X_trans = X.apply(lambda x: d[x.name].fit_transform(x)) X_trans.head()#X_trans.to_excel('X_trans.xls') #random take train and testfrom sklearn.cross_validation import train_test_split X_train, X_test, y_train, y_test = train_test_split(X_trans, y, random_state=1) #call decision tree from sklearn import tree clf = tree.DecisionTreeClassifier(max_depth=8) clf = clf.fit(X_train, y_train)test_rec = X_test.iloc[1,:] clf.predict([test_rec])y_test.iloc[1] from sklearn.metrics import accuracy_score print(accuracy_score(y_test, clf.predict(X_test)))

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37

????這篇文章寫的非常好，從中學到好多，但是計算的正確率不太高，8層的決策樹正確率才能達到0.645

0.645480347467

• 1

????我用神經網絡重新做了計算

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ Created on Thu Aug 17 21:14:08 2017@author: luogan """#read data import pandas as pd df = pd.read_csv('loans.csv')#print(df.head())#X = df.drop('safe_loans', axis=1)X = df.drop(['safe_loans' ],axis=1) y = df.safe_loans#change categoricalfrom sklearn.preprocessing import LabelEncoder from collections import defaultdict d = defaultdict(LabelEncoder) X_trans = X.apply(lambda x: d[x.name].fit_transform(x)) X_trans.head()#X_trans.to_excel('X_trans.xls') ############## data_train=X_trans data_max = data_train.max() data_min = data_train.min() data_mean = data_train.mean() # # data_std = data_train.std() X_train1 = (data_train-data_max)/(data_max-data_min)y=0.5*(y+1) #random take train and testfrom sklearn.cross_validation import train_test_split x_train, x_test, y_train, y_test = train_test_split(X_train1, y, random_state=1)#x_train.to_excel('xx_trans.xls') #y_train.to_excel('y_trans.xls') #call decision tree #from sklearn import tree #clf = tree.DecisionTreeClassifier(max_depth=10) #clf = clf.fit(X_train, y_train)from keras.models import Sequential from keras.layers.core import Dense, Dropout, Activationmodel = Sequential() #建立模型 model.add(Dense(input_dim = 12, output_dim = 48)) #添加輸入層、隱藏層的連接 model.add(Activation('tanh')) #以Relu函數為激活函數model.add(Dense(input_dim = 48, output_dim = 48)) #添加隱藏層、隱藏層的連接 model.add(Activation('relu')) #以Relu函數為激活函數 model.add(Dropout(0.2))model.add(Dense(input_dim = 48, output_dim = 36)) #添加隱藏層、隱藏層的連接 model.add(Activation('relu')) #以Relu函數為激活函數 model.add(Dropout(0.2)) model.add(Dense(input_dim = 36, output_dim = 36)) #添加隱藏層、隱藏層的連接 model.add(Activation('relu')) #以Relu函數為激活函數model.add(Dense(input_dim = 36, output_dim = 12)) #添加隱藏層、隱藏層的連接 model.add(Activation('relu')) #以Relu函數為激活函數 model.add(Dense(input_dim = 12, output_dim = 12)) #添加隱藏層、隱藏層的連接 model.add(Activation('relu')) #以Relu函數為激活函數model.add(Dense(input_dim = 12, output_dim = 1)) #添加隱藏層、輸出層的連接 model.add(Activation('sigmoid')) #以sigmoid函數為激活函數 #編譯模型，損失函數為binary_crossentropy，用adam法求解 model.compile(loss='mean_squared_error', optimizer='adam') model.fit(x_train.values, y_train.values, nb_epoch = 70, batch_size = 2000) #訓練模型r = pd.DataFrame(model.predict_classes(x_test.values)) ''' r = pd.DataFrame(model.predict(x_test.values)) rr=r.values tr=rr.flatten()for i in range(tr.shape[0]):if tr[i]>0.5:tr[i]=1else:tr[i]=0 ''' from sklearn.metrics import accuracy_score print(accuracy_score(y_test, r))

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103

0.650640749978

• 1

????我對神經網絡進行了各種優化，正確率一直上不去，計算結果還不如我的神經網絡股票預測代碼

????我不高興，非常不高興，65%的正確率是我無法容忍的，讓我郁悶的是，我一直深愛的神經網絡居然也這么無力
不能這樣下去，下回我們將采用傳說中的xgboost試一下

百度云代碼下載

提取碼 ???? jc5x

總結

以上是生活随笔為你收集整理的神经网络贷款风险评估（base on keras and python ） 原创 2017年08月18日 14:35:17 标签： python / 神经网络 / keras 300 用我的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。